
像 Claude Fable 5 这样的 Mythos 级模型,已经改变了我们许多人在 Anthropic 的工作方式。这里想分享两条建议,帮助你更充分地发挥这一类模型的能力。
自我纠错循环
最近,大家对循环非常感兴趣。@bcherny 提到过,他的工作就是写循环。让模型围绕某个评测不断爬坡,是提升任务表现的常见方法。Claude Code 里的 /goal,以及 Claude Managed Agent 里的 Outcomes,都是让你把这套通用方法应用到具体任务上的基础能力。
正如我们在 prompting 指南里提到的,Fable 5 很擅长在循环中自我纠错。一个设计良好的目标或评分标准,会为 Claude 所运行的环境加入反馈。这让 Claude 能够持续运行,通过目标或评分标准收集反馈,自我纠正,并不断推进,直到满足目标或评分标准。

这里分享一个我用来测试 Fable 的小例子。Parameter Golf 是一个开源的机器学习工程挑战,目标是在 8xH100 上,用不到 10 分钟训练出一个效果最好的模型,并且产物大小要控制在 16MB 以内。

它有点像 @karpathy 的 autoresearch 项目。这个挑战测试的是,一个 agent 是否能修改基础训练代码(一份单独的 train_gpt.py 文件)、启动训练、轮询日志、读取分数,并决定下一轮要跑什么实验。
我用 Claude Managed Agents(CMA)在这个挑战上对比了 Fable 5 和 Opus 4.7。CMA 提供了 agent 的运行框架和托管沙箱,所以很适合配合 Fable 5 跑长时间任务。针对 Parameter Golf,我给 CMA 接入了一个自托管沙箱,提供 8xH100 GPU。
有一个微妙但重要的点,关键不只是评什么,也包括由谁来评。我们已经看到,模型在对自己的输出做自我批判时会遇到问题。Prithvi Rajasekaran 在我们的工程博客里写过这件事。
https://github.com/karpathy/autoresearch
我们的经验是,对 Fable 5 来说,验证子 agent 往往比自我批判效果更好,因为评分是在一个独立的上下文窗口里完成的。CMA 里的 Outcomes 会通过为你生成一个评分子 agent 来处理这件事。

每次测试时,我都会提供一份评分标准(一个文件),里面列出九项可检查的条件,比如跑一个 baseline、运行 20 个实验等等。然后,我让 Parameter Golf 最多运行 8 小时。Outcomes 的评分器会先确认所有实验条件都已满足,之后才允许 Claude 停止工作。
Fable 5 对训练流程的改进幅度,大约是 Opus 4.7 的 6 倍。如果把实验分成结构性实验(比如架构修改)和标量实验(比如调整某个常数),那么 Fable 5 更愿意下注在更大的结构性变化上,而且表现出更强的韧性,比如它能顶着一次量化回归继续推进,最终拿到最大的一次提升。
Opus 4.7 的第一次实验带来了一点小提升,而之后几乎所有尝试都沿用了同样的模板,调整一个标量,测量结果,如果是正向就保留。
记忆
记忆是 Fable 另一个出色的领域。我们可以把它理解成一个跨会话的外循环。Claude 会在单次会话中把内容写入记忆,而这些记忆可以在未来的会话中被取回。
@pgasawa 和团队最近发布了 Continual Learning Bench 1.0,所以我也想在 Fable 5 和更早的模型之间测试这一点。
https://x.com/sairahul1/status/2064279904989147577?s=20
我对比了 Fable 5、Opus 4.7 和 Sonnet 4.6 在这个基准中一项任务上的表现。这个任务要求 agent 在能够访问 SQL 数据库的前提下,依次回答一连串问题。每个问题都是一个独立的 agent 会话,并且会提供记忆。
这里我使用了带记忆能力的 CMA,它会为每个 agent 提供一个挂载的文件系统,这个文件系统可以在不同会话之间共享。
https://platform.claude.com/docs/en/managed-agents/define-outcomes
在这个任务里,要高效使用记忆,最好遵循这样一个递进过程,先失败,出错并记录下来;再调查,在继续前先弄清原因;再验证,把诊断变成经过检查的事实;再提炼,把验证结果总结成通用规则;最后查阅,直接读取规则,而不是每次都重新推导。
Sonnet 4.6 大多停在第 1 步左右。它的存储内容基本是一串失败记录和悬而未决的猜测,比如 maybe prc instead of prc_usd?。它很少回头查阅之前的笔记。想提升表现,就需要加入针对任务的记忆指令。
Opus 4.7 大多停在第 3 步左右。它会创建一份带有不确定性标记的 schema 参考,比如 possibly prc in cents? Verify.,但验证覆盖率很低,只覆盖 7% 到 33% 的问题,中位数大约在 17%。
Fable 5 往往能完成整个递进过程。在它表现最强的几次运行里,验证覆盖率最高能达到 73%(30 个问题里有 22 个),而且它会把学到的东西提炼成通用规则,帮助完成后续任务。
与其直接去 prompt 和引导 Fable 5,通常更好的做法是设计循环,让模型根据环境反馈自行纠错,比如通过 /goal 或 Outcomes,同时自己管理上下文,比如通过记忆。
这里分享的只是我做过的几个小规模实验,但很值得你亲自拿 Fable 5 去试一些有挑战的任务,并用循环来做自我纠错或利用记忆。
如果想开始上手,可以看看我们的文档,或者直接去问最新版 Claude Code。它可以通过我们内置的 /claude-api skill,告诉你关于 Fable 5 的信息,比如 prompting 最佳实践,也可以介绍 /goal、Claude Managed Agents,或者其他 API 功能。